| dc.creator |
Çetin, Süleyman,
1980-
author
179932 |
|
| dc.creator |
Özkaya, Ufuk,
1981-
thesis advisor
23746 |
|
| dc.creator |
Süleyman Demirel Üniversitesi.
Fen Bilimleri Enstitüsü.
Elektronik ve Haberleşme Mühendisliği Anabilim Dalı.
9124
issuing body |
|
| dc.date |
2018. |
|
| dc.identifier |
http://tez.sdu.edu.tr/Tezler/TF03961.pdf |
|
| dc.description |
Bu tez çalışmasında mikrodalga mühendisliğinde önemli olan transistör gürültü parametrelerinin optimizasyonu için yeni bir yöntem önerilmiştir. Modellerin özellikleri göre eğitim verisinin herbir elemanı model performansını olumlu yönde etkilememektedir. Dolayısıyla oluşturulan modellerin eğitilmesinde eğitim verisi elemanlarının herbiri modelin performansını attırıcı özellik taşımamaktadır. Performansı azaltıcı elemanları eğitim verisinden çıkarılarak oluşturulacak yeni eğitim verisi hem eğitim verisinin azalmasına hemde performansın artmasına sebep olacaktır. Önerilen modellerle mevcut eğitim verisini azaltarak yeni performansa katkısı negatif olan elemanları eğitim verisinden çıkararak performans arttırılmışıtır. Dördüncü bölümde bu konu hakkında yapılan iki çalışma ile kıyaslama yapılarak yöntemin diğer çalışmalara nazaran daha başarılı olduğu görülmüştür. Anahtar Kelimeler: Mikrodalga transistör, GRNN, PSO. |
|
| dc.description |
In this thesis study, a new method for optimizing transistor noise parameters, which is important in microwave engineering, has been proposed. According to the specifications of the models, each element of the training data does not affect the performance of the model positively. Therefore, in training the created models, each of data elements doesn't feature to increase the performance of the model. The new training data to be created by taking performance reducing components out of training data will lead to not also decrease of training data but also increased performance. By removing the elements, which have negative contribution to performance with decrease of existing traning data suggested models, from traning data, performance is improved. In the fourth chapter, by comparing the two studies on this subject, the method is obseved to be more successful than other studies. |
|
| dc.description |
Tez (Yüksek Lisans) - Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü, Elektronik ve Haberleşme Mühendisliği Anabilim Dalı, 2018. |
|
| dc.description |
Kaynakça var. |
|
| dc.description |
Bu tez çalışmasında mikrodalga mühendisliğinde önemli olan transistör gürültü parametrelerinin optimizasyonu için yeni bir yöntem önerilmiştir. Modellerin özellikleri göre eğitim verisinin herbir elemanı model performansını olumlu yönde etkilememektedir. Dolayısıyla oluşturulan modellerin eğitilmesinde eğitim verisi elemanlarının herbiri modelin performansını attırıcı özellik taşımamaktadır. Performansı azaltıcı elemanları eğitim verisinden çıkarılarak oluşturulacak yeni eğitim verisi hem eğitim verisinin azalmasına hemde performansın artmasına sebep olacaktır. Önerilen modellerle mevcut eğitim verisini azaltarak yeni performansa katkısı negatif olan elemanları eğitim verisinden çıkararak performans arttırılmışıtır. Dördüncü bölümde bu konu hakkında yapılan iki çalışma ile kıyaslama yapılarak yöntemin diğer çalışmalara nazaran daha başarılı olduğu görülmüştür. Anahtar Kelimeler: Mikrodalga transistör, GRNN, PSO. |
|
| dc.description |
In this thesis study, a new method for optimizing transistor noise parameters, which is important in microwave engineering, has been proposed. According to the specifications of the models, each element of the training data does not affect the performance of the model positively. Therefore, in training the created models, each of data elements doesn't feature to increase the performance of the model. The new training data to be created by taking performance reducing components out of training data will lead to not also decrease of training data but also increased performance. By removing the elements, which have negative contribution to performance with decrease of existing traning data suggested models, from traning data, performance is improved. In the fourth chapter, by comparing the two studies on this subject, the method is obseved to be more successful than other studies. |
|
| dc.language |
tur |
|
| dc.publisher |
Isparta : Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü, |
|
| dc.subject |
Süleyman Demirel Üniversitesi |
|
| dc.title |
Mikrodalga transistörlerin yapay zeka tabanlı gürültü modellemesi = Artificial intelligence based noise modeling of microwave transistor / |
|
| dc.type |
text |
|